KR20230023395A

KR20230023395A - 불량 유형 분류 시스템 및 불량 유형 분류 방법

Info

Publication number: KR20230023395A
Application number: KR1020210105497A
Authority: KR
Inventors: 정재윤
Original assignee: 주식회사 엘지에너지솔루션
Priority date: 2021-08-10
Filing date: 2021-08-10
Publication date: 2023-02-17
Also published as: EP4276484A1; JP2024506356A; WO2023018165A1; US20240142535A1; CN116569054A

Abstract

불량 유형 분류 시스템은 불량 유형을 검출하고자 하는 배터리에 연결되어 상기 배터리의 전기적인 특성 중 적어도 하나를 소정의 검사 기간 동안 측정하여 측정 데이터를 생성하는 측정부, 상기 측정 데이터를 변환하여 입력 데이터를 생성하는 변환부, 및 학습 데이터를 기계 학습하고, 상기 입력 데이터에 기초하여 상기 배터리의 불량 유형을 결정하는 불량 유형 예측 모듈을 포함한다. 상기 입력 데이터는 상기 불량 유형 예측 모듈의 입력 노드에 적합한 데이터이고, 상기 불량 유형은 배터리의 단락 불량의 원인에 따라 구분될 수 있다.

Description

불량 유형 분류 시스템 및 불량 유형 분류 방법{DEFECT TYPE CLASSIFICATION SYSTEM AND METHOD}

본 개시는 불량 유형 분류 시스템 및 불량 유형 분류 방법에 관한 것이다.

배터리를 생산하는 복수의 공정에서 불량 여부 체크는 각 생산 공정 별로 수행될 수 있다. 예를 들어, 각 생산 공정 별로 불량 여부 체크를 위해 필요한 인자가 특정되고, 해당 인자를 측정할 수 있는 측정기를 이용하여 배터리의 불량 여부가 검출될 수 있다. 이와 같이, 측정기를 이용하는 기존 방식에 의해 배터리의 불량이 검출될 경우, 측정이 이뤄진 측정 구간에서의 불량 여부, 측정 시의 배터리 전압, 전류 등의 측정 값만 알 수 있다. 검출된 배터리 불량의 발생 원인을 알 수는 없다. 불량 발생 원인을 알기 위해서는, 작업자가 불량 배터리를 직접 분해/분석하여 원인을 파악해야 한다.

배터리의 불량 유형을 분류할 수 있는 시스템 및 방법을 제공하고자 한다.

상기 측정부는, 상기 배터리의 양단 전압인 배터리 전압을 상기 검사 기간 동안 측정하고, 상기 측정 결과를 지시하는 상기 측정 데이터를 저장할 수 있다.

상기 변환부는, 상기 측정 데이터를 분석하여 상기 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 상기 배터리 전압의 피크 개수 중 적어도 하나를 추출하여 상기 입력 데이터를 생성할 수 있다.

상기 측정 데이터는, 상기 배터리의 양단 전압인 배터리 전압을 소정의 검사 기간 동안 측정한 결과에 기초하고, 상기 입력 데이터는, 상기 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 상기 배터리 전압의 피크 개수 중 적어도 하나를 포함할 수 있다.

상기 불량 유형 분류 시스템은, 상기 학습 데이터를 저장하는 데이터 베이스를 더 포함하고, 상기 데이터 베이스는, 배터리의 단락 불량이 발생할 때의 배터리의 양단 전압에 기초한 입력 데이터 및 불량 유형을 저장할 수 있다.

상기 불량 유형 예측 모듈은, 불량 유형을 분류할 대상 배터리에 대해서 측정된 전기적인 특성 중 적어도 하나와 상기 학습 데이터에 속하는 복수의 값들 각각 간의 거리 차이인 편차를 산출하고, 상기 산출한 편차들 중 작은 순서로 소정 개수의 기준 데이터들을 도출하며, 상기 도출한 기준 데이터들 각각이 속하는 클래스를 카운트한 결과가 가장 큰 클래스로 상기 대상 배터리의 불량 유형을 분류할 수 있다.

상기 불량 유형 예측 모듈은, 상기 학습 데이터에서 전기적인 특성 중 적어도 하나를 입력 받고, 상기 입력 받은 전기적인 특성 중 하나에 대응하는 불량 유형을 복수의 클래스 중 하나로 예측하도록 학습할 수 있다.

발명의 다른 특징에 따른 불량 유형 분류 방법은, 불량 유형 예측 모듈이, 학습 데이터에 기초하여 배터리의 단락 불량의 원인에 따라 불량 유형을 분류하도록 학습하는 단계, 측정부가, 배터리의 전기적인 특성 중 적어도 하나를 소정의 검사 기간 동안 측정하여 측정 데이터를 생성하는 단계, 변환부가, 상기 측정 데이터를 변환하여 입력 데이터를 생성하는 단계, 및 상기 불량 유형 예측 모듈이 상기 입력 데이터에 기초하여 상기 배터리의 불량 유형을 결정하는 단계를 포함하고, 상기 입력 데이터는 상기 불량 유형 예측 모듈의 입력 노드에 적합한 데이터일 수 있다.

상기 측정 데이터를 생성하는 단계는, 상기 배터리의 양단 전압인 배터리 전압을 상기 검사 기간 동안 측정하고, 상기 측정 결과를 지시하는 상기 측정 데이터를 생성하는 단계를 포함할 수 있다.

상기 입력 데이터를 생성하는 단계는, 상기 측정 데이터를 분석하여 상기 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 상기 배터리 전압의 피크 개수 중 적어도 하나를 추출하여 상기 입력 데이터를 생성하는 단계를 포함할 수 있다.

상기 불량 유형 분류 방법은, 데이터 베이스가, 배터리의 단락 불량이 발생할 때의 배터리의 양단 전압에 기초한 입력 데이터 및 불량 유형을 상기 학습 데이터로 저장하는 단계를 더 포함할 수 있다.

상기 불량 유형을 결정하는 단계는, 불량 유형을 분류할 대상 배터리에 대해서 측정된 전기적인 특성 중 적어도 하나와 상기 학습 데이터에 속하는 복수의 값들 각각 간의 거리 차이인 편차를 산출하는 단계, 및 상기 산출한 편차들 중 작은 순서로 소정 개수의 기준 데이터들을 도출하며, 상기 도출한 기준 데이터들 각각이 속하는 클래스를 카운트한 결과가 가장 큰 클래스로 상기 대상 배터리의 불량 유형을 분류하는 단계를 포함할 수 있다.

상기 불량 유형을 분류하도록 학습하는 단계는, 상기 학습 데이터에서 전기적인 특성 중 적어도 하나를 입력 받고, 상기 입력 받은 전기적인 특성 중 하나에 대응하는 불량 유형을 복수의 클래스 중 하나로 예측하도록 학습하는 단계를 포함할 수 있다.

본 발명은 생산 공정에서 발생하는 배터리의 불량 원인을 검출할 수 있는 불량 유형 분류 시스템 및 방법을 제공한다.

불량 원인을 검출하는 작업자 간에 배터리 분해의 숙련도 및 불량을 분석하여 원인을 도출하는 정확도의 편차가 있어왔다. 본 발명은 불량 유형 분석의 정확도를 증가시키고, 정확도의 편차 없이 일정한 수준의 정확도를 유지할 수 있다. 아울러, 불량 유형을 분석하는데 있어, 작업자에 의한 불량 유형 분석 수행 시간이 대폭 절감될 수 있다.

도 1은 일 실시예에 따른 불량 유형 분류 시스템을 나타낸 블록도이다.
도 2는 일 실시예에 따른 배터리 전압을 측정한 측정 데이터에서 입력 데이터를 생성하는 방법을 나타낸 그래프이다.
도 3은 일 실시예에 따른 불량 유형 예측 모듈의 동작을 설명하기 위한 도면이다.

본 발명은 불량 배터리의 특징 값을 효과적으로 학습하기 위해서 두 단계를 포함한다. 첫 번째 기계 학습 단계는 불량 유형 예측 모듈이 불량 배터리의 특징 값을 기계 학습하는 단계이고, 두 번째 분류 단계는 기계 학습한 불량 유형 예측 모듈이 불량이 발생한 배터리의 불량 원인을 결정하는 단계이다. 첫 번째 기계 학습 단계에서, 불량 유형 예측 모듈은 측정된 불량 배터리의 전압, 전류 등 전기적인 특징 값과 해당 불량 배터리의 불량 원인을 학습한다. 두 번째 분류 단계에서는, 불량이 발생한 배터리의 전기적인 특징 값을 측정한 후, 측정된 특징 값을 불량 유형 예측 모듈에 입력하고, 불량 유형 예측 모듈은 입력받은 특징 값에 기초하여 불량 원인은 결정할 수 있다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일, 유사한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및/또는 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 일 실시예에 따른 불량 유형 분류 시스템을 나타낸 블록도이다.

도 1에 도시된 바와 같이, 불량 유형 분류 시스템(1)은 측정부(10), 변환부(20), 불량 유형 예측 모듈(30), 및 데이터 베이스(40)를 포함한다.

측정부(10)는 불량 유형을 검출하고자 하는 배터리(2)에 연결되어 배터리(2)의 전기적인 특성 중 적어도 하나를 소정의 검사 기간 동안 측정하고, 측정 결과에 기초하여 측정 데이터 생성하고, 측정 데이터를 저장할 수 있다. 측정부(10)는 측정 데이터를 저장하기 위해 메모리(11)를 포함할 수 있다. 메모리(11)는 측정 데이터를 저장하기 위한 비휘발성 메모리일 수 있다. 불량 유형을 검출하고자 하는 배터리가 교체되면, 측정부(10)는 메모리(11)의 저장된 내용을 지우고 새로운 측정 데이터를 기입할 수 있다.

예를 들어, 측정부(10)는 배터리(2)의 양극과 음극 사이의 전압인 배터리 전압을 검사 기간 동안 측정하고, 검사 기간 동안 측정한 배터리 전압을 지시하는 측정 데이터를 메모리(11)에 저장할 수 있다. 본 발명이 불량 유형을 검출하기 위해서 배터리 전압만을 이용하는 것으로 제한되는 것은 아니다. 배터리 전압, 배터리에 흐르는 배터리 전류, 배터리의 내부 저항, 배터리의 인덕턴스(inductance), 배터리의 커패시턴스(capacitance) 등 중 적어도 하나 또는 둘 이상이 배터리의 불량 유형 검출에 이용될 수 있다.

변환부(20)는 측정 데이터를 변환하여 불량 유형 예측 모듈(30)에 적합한 입력 데이터를 생성한다. 입력 데이터는 불량 유형 예측 모듈(30)의 입력 노드에 입력되어야 할 값에 따라 결정된다. 변환부(20)는 메모리(11)로부터 측정 데이터를 독출하고, 독출한 측정 데이터를 분석하며, 분석된 측정 데이터의 특징을 추출하여 입력 데이터를 생성한다.

도 2는 일 실시예에 따른 배터리 전압을 측정한 측정 데이터에서 입력 데이터를 생성하는 방법을 나타낸 그래프이다.

도 2는 입력 데이터를 생성하는 다양한 방법 중 하나를 설명하기 위한 일 예로 발명을 한정하는 것은 아니다.

도 2에 도시된 바와 같이, 검사 시간 동안 측정부(10)는 배터리(2)의 양단 전압을 측정하여 배터리 전압에 관한 측정 데이터를 생성하고, 메모리(11)에 저장한다.

변환부(20)는 메모리(11)에서 측정 데이터를 독출하고, 독출한 측정 데이터를 분석하여 측정 데이터의 특징인 최대 값, 최소 값, 평균 값, 및 중앙 값과 측정 데이터에서 피크의 개수를 추출하여 입력 데이터를 생성한다. 즉, 입력 데이터는 검사 기간 동안 배터리 전압의 최대 값, 최소 값, 평균 값, 및 중앙 값과 배터리 전압에서 피크의 개수이다.

불량 유형 예측 모듈(30)은 데이터 베이스(40)에 저장된 학습 데이터를 기계 학습한다. 데이터 베이스(40)는 불량 유형 별로 입력 데이터를 구분하여 저장하고, 배터리에 불량이 발생할 때마다 해당 입력 데이터 및 불량 유형이 데이터 베이스(40)에 업데이트 될 수 있다. 이때 입력 데이터는 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 배터리 전압의 피크 개수 중 적어도 하나를 포함할 수 있다.

불량 유형 예측 모듈(30)은 각 불량 유형 별로 저장된 입력 데이터를 입력 노드에 투입하여 불량 유형을 예측하는 기계 학습을 수행할 수 있다. 불량 유형 예측 모듈(30)이 기계 학습을 수행하는 주기는 데이터 베이스(40)에 업데이트되는 학습 데이터의 양에 따라 결정될 수 있다. 예를 들어, 유의미한 수의 학습 데이터가 데이터 베이스(40)에 업데이트될 경우마다, 불량 유형 예측 모듈(30)은 업데이트된 학습 데이터를 포함하여 기계 학습을 수행할 수 있다.

불량 유형 예측 모듈(30)은 지도형 기계 학습 알고리즘, 비지도형 기계 학습 알고리즘, 준지도형 기계 학습 알고리즘, 및 강화형 기계 학습 알고리즘 중 하나로 구현될 수 있다. 구체적으로, 불량 유형 예측 모듈(30)은 신경망 알고리즘으로 구현되고, 학습 데이터에 레이블(label)이 부여되고, 불량 유형 예측 모듈(30)은 레이블이 있는 학습 데이터로 신경망 학습을 수행할 수 있다. 불량 유형 예측 모듈(30)은 학습 데이터에 기초하여 가장 확률이 높은 불량 유형을 예측하고, 실제 불량 유형에 가까워지도록 신경망의 각 노드의 활성 함수 및 노드 간의 가중치를 조정하는 학습을 수행한다.

불량 유형 예측 모듈(30)은 입력 데이터에 기초하여 불량 유형을 결정할 수 있다. 예를 들어, 입력 데이터가 배터리 전압의 최대 값, 최소 값, 중앙 값, 및 평균값과 배터리 전압의 피크 개수 중 적어도 하나인 경우, 불량 유형 예측 모듈(30)은 입력 데이터를 적어도 한 개의 입력 노드에 적용하여 복수의 불량 유형 중 하나를 결정할 수 있다. 복수의 불량 유형은 배터리의 단락 불량의 원인에 따라 구분될 수 있고, 예를 들어 탭(Tab) 접힘, 깨짐, 찍힘, 분리막 주름 등을 포함할 수 있다. 깨짐 및 찍힘 각각은 배터리 셀을 구성하는 일부가 깨지거나 찍힘을 의미할 수 있다.

도 3은 일 실시예에 따른 불량 유형 예측 모듈의 동작을 설명하기 위한 도면이다.

일 실시예에 따른 불량 유형 예측 모듈은 기계 학습 모델 중 KNN 분류 모델(K-Nearest-Neighbor classification)로 구현될 수 있다. 아울러, 도 3에 도시된 분류 방법에서 입력 데이터는 배터리 전압의 최대 값 및 배터리 전압의 피크 개수이다.

기계 학습 단계에서, 불량 유형 예측 모듈(30)은 X축의 값인 배터리 전압의 최대값 및 Y축의 값인 배터리 전압의 피크 개수를 입력 받고, 불량 원인으로 ‘찍힘’과 ‘깨짐’ 중 하나를 출력하도록 학습된다. 도 3에 도시된 바와 같이 별 모양으로 표시된 불량원인이 ‘찍힘’인 배터리들(클래스 A)과 삼각형 모양으로 표시된 불량원인이 ‘깨짐’인 배터리들(클래스 B)에 대해서 불량 유형 예측 모듈(30)이 학습을 수행할 수 있다.

불량 유형 예측 모듈(30)은 기계 학습을 마친 후, 도 3에서 사각형 모양으로 표시된 위치에 대응하는 배터리 전압의 최대값(Xi) 및 배터리 전압의 피크 개수(Yi)를 입력 받고, 해당 입력에 따라 배터리의 불량 원인을 예측할 수 있다.

구체적으로, 불량 유형 예측 모듈(30)은 불량 유형을 분류할 배터리(이하, 대상 배터리)에 대해서 측정된 배터리 전압의 최대값(Xi) 및 배터리 전압의 피크 개수(Yi)를 입력 받을 수 있다.

도 3의 (b)에 도시된 바와 같이, 불량 유형 예측 모듈(30)은 배터리 전압의 최대값(Xi) 및 배터리 전압의 피크 개수(Yi)에 의해 정의되는 위치와 학습했던 데이터에 대응하는 모든 위치 각각 간의 거리 차이(이하, 편차)를 산출할 수 있다. 불량 유형 예측 모듈(30)은 산출한 편차들 중 작은 순서로 소정 개수의 기준 데이터들을 도출할 수 있다. 이때, 편차는 X축 및 Y축 각각에서의 거리 차이, 거리 차이를 제곱하여 더한 값을 제곱근 처리한 결과 등 다양한 방식 중 하나로 산출될 수 있다.

도 3의 (c)에 도시된 바와 같이, 불량 유형 예측 모듈(30)은 클래스 A 및 클래스 B 중 도출한 기준 데이터들은 점선 원 내에 위치할 수 있다. 불량 유형 예측 모듈(30)은 기준 데이터들 각각이 속하는 클래스를 카운트하고, 카운트 결과가 더 큰 클래스로 대상 배터리의 불량 유형을 분류할 수 있다. 도 3의 (c)에서, 클래스 A의 카운트 결과는 1이고, 클래스 B의 카운트 결과는 2이므로, 대상 배터리의 불량 유형은 클래스 B(깨짐)로 예측될 수 있다.

도 3의 예에서는 X축 및 Y축 두 개로 불량 유형에 대한 차원이 결정되었으나, 입력 데이터의 개수에 따라 축의 종류가 X축, Y축, Z축,… 등과 같이 증가하여, 불량 유형에 대한 차원 수가 증가할 수 있다.

위와 같은 방식에 따라 불량 유형 예측 모듈(30)은 대상 배터리의 배터리 전압의 최대값 37V 및 배터리 피크의 개수 3개인 경우, 대상 배터리를 클래스 B(불량원인: 깨짐)로 분류할 수 있다. 또는 불량 유형 예측 모듈(30)은 대상 배터리의 배터리 전압의 최대값 47V 및 배터리 피크의 개수 5개인 경우, 대상 배터리를 클래스 A(불량원인: 찍힘)로 분류할 수 있다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였으나, 본 발명의 권리범위가 이에 한정되는 것은 아니며 본 발명이 속하는 분야에서 통상의 지식을 가진 자가 여러 가지로 변형 및 개량한 형태 또한 본 발명의 권리범위에 속한다.

1: 불량 유형 분류 시스템
10: 측정부
20: 변환부
30: 불량 유형 예측 모듈
40: 데이터 베이스

Claims

불량 유형을 검출하고자 하는 배터리에 연결되어 상기 배터리의 전기적인 특성 중 적어도 하나를 소정의 검사 기간 동안 측정하여 측정 데이터를 생성하는 측정부;
상기 측정 데이터를 변환하여 입력 데이터를 생성하는 변환부; 및
학습 데이터를 기계 학습하고, 상기 입력 데이터에 기초하여 상기 배터리의 불량 유형을 결정하는 불량 유형 예측 모듈을 포함하고,
상기 입력 데이터는 상기 불량 유형 예측 모듈의 입력 노드에 적합한 데이터이고, 상기 불량 유형은 배터리의 단락 불량의 원인에 따라 구분되는, 불량 유형 분류 시스템.
제1항에 있어서,
상기 측정부는,
상기 배터리의 양단 전압인 배터리 전압을 상기 검사 기간 동안 측정하고, 상기 측정 결과를 지시하는 상기 측정 데이터를 저장하는, 불량 유형 분류 시스템.
제2항에 있어서,
상기 변환부는,
상기 측정 데이터를 분석하여 상기 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 상기 배터리 전압의 피크 개수 중 적어도 하나를 추출하여 상기 입력 데이터를 생성하는, 불량 유형 분류 시스템.
제1항에 있어서
상기 측정 데이터는,
상기 배터리의 양단 전압인 배터리 전압을 소정의 검사 기간 동안 측정한 결과에 기초하고,
상기 입력 데이터는,
상기 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 상기 배터리 전압의 피크 개수 중 적어도 하나를 포함하는, 불량 유형 분류 시스템.
제1항에 있어서,
상기 학습 데이터를 저장하는 데이터 베이스를 더 포함하고,
상기 데이터 베이스는,
배터리의 단락 불량이 발생할 때의 배터리의 양단 전압에 기초한 입력 데이터 및 불량 유형을 저장하는, 불량 유형 분류 시스템.
제1항에 있어서,
상기 불량 유형 예측 모듈은,
불량 유형을 분류할 대상 배터리에 대해서 측정된 전기적인 특성 중 적어도 하나와 상기 학습 데이터에 속하는 복수의 값들 각각 간의 거리 차이인 편차를 산출하고, 상기 산출한 편차들 중 작은 순서로 소정 개수의 기준 데이터들을 도출하며, 상기 도출한 기준 데이터들 각각이 속하는 클래스를 카운트한 결과가 가장 큰 클래스로 상기 대상 배터리의 불량 유형을 분류하는, 불량 유형 분류 시스템.
제6항에 있어서,
상기 불량 유형 예측 모듈은,
상기 학습 데이터에서 전기적인 특성 중 적어도 하나를 입력 받고, 상기 입력 받은 전기적인 특성 중 하나에 대응하는 불량 유형을 복수의 클래스 중 하나로 예측하도록 학습하는, 불량 유형 분류 시스템.
불량 유형 예측 모듈이, 학습 데이터에 기초하여 배터리의 단락 불량의 원인에 따라 불량 유형을 분류하도록 학습하는 단계;
측정부가, 배터리의 전기적인 특성 중 적어도 하나를 소정의 검사 기간 동안 측정하여 측정 데이터를 생성하는 단계;
변환부가, 상기 측정 데이터를 변환하여 입력 데이터를 생성하는 단계; 및
상기 불량 유형 예측 모듈이 상기 입력 데이터에 기초하여 상기 배터리의 불량 유형을 결정하는 단계를 포함하고,
상기 입력 데이터는 상기 불량 유형 예측 모듈의 입력 노드에 적합한 데이터인, 불량 유형 분류 방법.
제8항에 있어서,
상기 측정 데이터를 생성하는 단계는,
상기 배터리의 양단 전압인 배터리 전압을 상기 검사 기간 동안 측정하고, 상기 측정 결과를 지시하는 상기 측정 데이터를 생성하는 단계를 포함하는, 불량 유형 분류 방법.
제9항에 있어서,
상기 입력 데이터를 생성하는 단계는,
상기 측정 데이터를 분석하여 상기 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 상기 배터리 전압의 피크 개수 중 적어도 하나를 추출하여 상기 입력 데이터를 생성하는 단계를 포함하는, 불량 유형 분류 방법.
제8항에 있어서
상기 측정 데이터는,
상기 배터리의 양단 전압인 배터리 전압을 소정의 검사 기간 동안 측정한 결과에 기초하고,
상기 입력 데이터는,
상기 배터리 전압의 최대 값, 최소 값, 평균값, 및 중앙값과 상기 배터리 전압의 피크 개수 중 적어도 하나를 포함하는, 불량 유형 분류 방법.
제8항에 있어서,
데이터 베이스가, 배터리의 단락 불량이 발생할 때의 배터리의 양단 전압에 기초한 입력 데이터 및 불량 유형을 상기 학습 데이터로 저장하는 단계를 더 포함하는, 불량 유형 분류 방법.
제8항에 있어서,
상기 불량 유형을 결정하는 단계는,
불량 유형을 분류할 대상 배터리에 대해서 측정된 전기적인 특성 중 적어도 하나와 상기 학습 데이터에 속하는 복수의 값들 각각 간의 거리 차이인 편차를 산출하는 단계; 및
상기 산출한 편차들 중 작은 순서로 소정 개수의 기준 데이터들을 도출하며, 상기 도출한 기준 데이터들 각각이 속하는 클래스를 카운트한 결과가 가장 큰 클래스로 상기 대상 배터리의 불량 유형을 분류하는 단계를 포함하는, 불량 유형 분류 방법.
제13항에 있어서,
상기 불량 유형을 분류하도록 학습하는 단계는,
상기 학습 데이터에서 전기적인 특성 중 적어도 하나를 입력 받고, 상기 입력 받은 전기적인 특성 중 하나에 대응하는 불량 유형을 복수의 클래스 중 하나로 예측하도록 학습하는 단계를 포함하는, 불량 유형 분류 방법.